OCR and Documents

• PDFファイル（デジタルまたはスキャン）のテキストを抽出し、要約、アーカイブ、またはさらなる分析に活用したい場合。
• スキャンした請求書、フォーム、またはドキュメントの写真をOCR処理し、構造化されたフィールドを抽出する必要がある場合。
• DOCXファイルをプレーンテキストまたはマークダウンに変換して、別のスキルやパイプラインで使用したい場合。
• クリーンなドキュメントテキストを検索インデックスやLLMワークフローに供給する前処理ステップを構築している場合。

• 入力がPowerPoint/PPTXファイルの場合は、専用のプレゼンテーションスキルにルーティングしてください。
• スキャンしたドキュメントの解像度が非常に低い、大きく歪んでいる、またはサポートされていない言語である場合、OCRの品質が低下し、結果の信頼性が損なわれます。
• 依存関係なし・セットアップ不要のソリューションが必要な場合、このスキルはPython環境と少なくとも1つのドキュメント/OCRライブラリを必要とします。

PyMuPDFまたはpdfminerを使用して、OCRのオーバーヘッドなしにボーンデジタルPDFから直接テキストを抽出し、レイアウトを可能な限り忠実に保持します。

スキャンされたPDFやドキュメントの写真を、Tesseractまたは互換性のあるOCRサービスを通じて処理し、画像ベースのコンテンツからテキストを抽出します。

python-docxを使用してMicrosoft Wordファイルを読み込み、段落と見出しの構造をクリーンなテキストまたはマークダウン形式で出力します。

抽出されたコンテンツをプレーンテキストまたは構造化Markdownに正規化し、要約・インデックス作成・その他の下流スキルですぐに利用できる出力を実現します。

実行時に検出されたドキュメントの種類に基づいて、直接テキストレイヤー、OCR、またはフォーマット固有のパーサーなど、適切な抽出ツールを自動的に選択します。

スキャンした請求書または記入済みフォームを OCR and Documents でOCR処理し、ベンダー名、金額、支払期日などの構造化フィールドを抽出して、後続の処理やストレージに活用します。

複数ページのPDFからテキストを抽出し、各ページのコンテンツを要約スキルに渡すことで、手動でのコピー＆ペーストなしにドキュメント全体の要約を実現します。

Word ドキュメントを解析してその内容をマークダウンに変換し、ナレッジベース、静的サイト、またはテキストベースのワークフローでの編集にすぐに活用できるようにします。

混在するPDFおよびDOCXファイルのコレクションからテキストを一括抽出し、ベクター検索またはフルテキスト検索インデックス作成に適した、クリーンで正規化されたテキストチャンクを生成します。